UAS DATA VISUALIZATION

Nama Mahasiswa : Rahmat Riansyah
NIM : A3202300029
Deskripsi : Tujuan analisis untuk memahami pola dan hubungan dalam data Angka Harapan Hidup, Pendapatan per Kapita, dan faktor-faktor lainnya.

Persiapan

Sebelum membuat sebuah program di dalam R Markdown kita harus memperhatikan beberapa yang perlu kita persiapkan untuk menunjang isi data beserta visualisasinya.

Memanggil Library

Hal pertama yang perlu dipersiapkan adalah dengan memanggil beberapa library yang di butuhkan yaitu dengan menginstal di menu Packages dan cara memanggilnya seperti berikut.

library(ggplot2)
library(readr)
library(readxl)
library(gapminder)
library(reshape2)
library(gganimate)
library(plotly)
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout

Memanggil Dataset

Selain Library kita juga perlu memanggil Data yang akan kita gunakan dalam pembuatan visualisasi tersebut.Untuk tugas kali ini karena kita menggunakan data Excel dapat mengikuti kode dibawah ini.

# memanggil library
library(readxl)
# membuat nama data dan memanggilnya sesuai nama file
Data <- read_excel("Data.xlsx")
# melihat data yang telah diberi nama
View(Data)

Membuat Visualisasi Data

Setelah memanggil data yang akan kita gunakan selanjutnya menentukan grafik apa yang akan kita buat secara berbeda.Dari ujian tersebut terdapat 4 minimal visualisasi data seperti berikut:

1. Grafik Univariate

Grafik univariate digunakan untuk menganalisis distribusi satu variabel tunggal. Grafik ini membantu dalam memahami pola, sebaran, dan karakteristik dari data yang dianalisis.

Deskripsi

  • Jenis Grafik: Histogram atau Boxplot
  • Penjelasan:
    • Menunjukkan distribusi satu variabel.
    • Contoh: Histogram untuk menunjukkan distribusi Angka Harapan Hidup di berbagai negara.
  • Judul: “Distribusi Angka Harapan Hidup di Negara-Negara”
  • Label Sumbu:
    • Sumbu X: “Angka Harapan Hidup”
    • Sumbu Y: “Frekuensi”
  • Interpretasi:
    • Menjelaskan pola distribusi, seperti apakah data terdistribusi normal, ada outlier, atau pola lain yang terlihat.

Hasil Grafik

# memanggil library
library(ggplot2)

# Contoh kode untuk membuat histogram
ggplot(Data, aes(x = Angka_Harapan_Hidup)) +
  geom_histogram(binwidth = 1, fill = "blue", color = "white") +
  labs(title = "Distribusi Angka Harapan Hidup di Negara-Negara",
       x = "Angka Harapan Hidup",
       y = "Frekuensi")

2. Grafik Bivariate

Grafik bivariate digunakan untuk menganalisis hubungan antara dua variabel. Grafik ini membantu dalam mengidentifikasi pola, tren, dan korelasi antara kedua variabel.

Deskripsi

  • Jenis Grafik: Scatter Plot atau Bar Chart
  • Penjelasan:
    • Menunjukkan hubungan antara dua variabel.
    • Contoh: Scatter plot antara Pendapatan per Kapita dan Angka Harapan Hidup.
  • Judul: “Hubungan Antara Pendapatan per Kapita dan Angka Harapan Hidup”
  • Label Sumbu:
    • Sumbu X: “Pendapatan per Kapita”
    • Sumbu Y: “Angka Harapan Hidup”
  • Interpretasi:
    • Menjelaskan apakah ada korelasi positif, negatif, atau tidak ada antara kedua variabel.

Hasil Grafik

# Contoh kode untuk membuat scatter plot
ggplot(Data, aes(x = Pendapatan_per_kapita, y = Angka_Harapan_Hidup)) +
  geom_point(color = "red") +
  labs(title = "Hubungan Antara Pendapatan per Kapita dan Angka Harapan Hidup",
       x = "Pendapatan per Kapita",
       y = "Angka Harapan Hidup")

3. Grafik Multivariate

Grafik multivariate digunakan untuk menganalisis hubungan antara lebih dari dua variabel. Grafik ini membantu dalam memahami interaksi dan pola yang lebih kompleks dalam data.

Deskripsi

  • Jenis Grafik: Heatmap atau 3D Scatter Plot
  • Penjelasan:
    • Menunjukkan hubungan antara lebih dari dua variabel.
    • Contoh: Heatmap untuk menunjukkan Angka Harapan Hidup berdasarkan Benua dan Tahun.
  • Judul: “Analisis Angka Harapan Hidup Berdasarkan Benua dan Tahun”
  • Label Sumbu:
    • Sumbu X: “Benua”
    • Sumbu Y: “Tahun”
  • Interpretasi:
    • Menjelaskan pola yang muncul dari interaksi antara variabel-variabel tersebut.

Hasil Grafik

# Contoh kode untuk membuat heatmap
library(ggplot2)
library(reshape2)

# Misalkan 'data' adalah nama dataset Anda
heatmap_data <- dcast(Data, Benua ~ Tahun, value.var = "Angka_Harapan_Hidup")
## Aggregation function missing: defaulting to length
ggplot(melt(heatmap_data), aes(x = variable, y = Benua, fill = value)) +
  geom_tile() +
  scale_fill_gradient(low = "white", high = "blue") +
  labs(title = "Analisis Angka Harapan Hidup Berdasarkan Benua dan Tahun",
       x = "Tahun",
       y = "Benua")
## Using Benua as id variables

4. Grafik Interaktif

Grafik interaktif memungkinkan pengguna untuk berinteraksi dengan data secara langsung. Ini memberikan pengalaman yang lebih mendalam dan memungkinkan eksplorasi data yang lebih fleksibel

Deskripsi

  • Jenis Grafik: Menggunakan Plotly atau Shiny
  • Penjelasan:
    • Memungkinkan pengguna untuk berinteraksi dengan data.
    • Contoh: Grafik interaktif yang menunjukkan hubungan antara Jumlah Anak dan Angka Harapan Hidup berdasarkan Negara.
  • Judul: “Grafik Interaktif Angka Harapan Hidup dan Jumlah Anak”
  • Label Sumbu:
    • Sumbu X: “Jumlah Anak”
    • Sumbu Y: “Angka Harapan Hidup”
  • Interpretasi:
    • Menjelaskan bagaimana interaksi pengguna dapat memberikan wawasan lebih dalam tentang data.

Hasil Grafik

# Contoh kode untuk membuat grafik interaktif menggunakan Plotly
library(plotly)

# Membuat grafik interaktif
Harapan_Hidup <- plot_ly(Data, x = ~Jumlah_anak, y = ~Angka_Harapan_Hidup, type = 'scatter', mode = 'markers', 
              marker = list(size = 10, color = 'rgba(255, 0, 0, .8)', 
                            line = list(width = 2, color = 'rgba(0, 0, 0, .8)'))) %>%
  layout(title = "Grafik Interaktif Angka Harapan Hidup dan Jumlah Anak",
         xaxis = list(title = "Jumlah Anak"),
         yaxis = list(title = "Angka Harapan Hidup"),
         hovermode = "closest")  # Menambahkan hovermode untuk interaksi yang lebih baik

# Menampilkan grafik interaktif
Harapan_Hidup

Kesimpulan

cat(“Dari analisis ini, terlihat bahwa Pendapatan per Kapita berpengaruh positif terhadap Angka Harapan Hidup. Dengan meningkatnya pendapatan, angka harapan hidup juga cenderung meningkat, menunjukkan adanya hubungan yang signifikan antara kedua variabel tersebut.”)